多孔介质渗透率预测方法、电子设备和存储介质

技术领域

本申请涉及神经网络模型技术领域，尤其涉及一种多孔介质渗透率预测方法。

背景技术

多孔介质是由固体骨架和孔隙组成的复合介质，如岩石、土壤、多孔石墨等。多孔介质的流体渗流广泛存在于自然界及人类的生产活动中，如养分在植物根系中的输运、土壤中的水运动、岩石中的油气驱替等。研究多孔介质的流动现象具有重要意义。

目前，多孔介质渗透率测试方法主要有两种，分别是(1)实验法：压汞法、压气法等，(2)基于机器学习的方法，如：公开号为CN109191423B的现有技术公开了一种基于机器图像智能学习的多孔介质渗透率预测方法，选取多组不同干密度的同一种多孔介质材料，并确定各组多孔介质材料的真实渗透率；对各组多孔介质材料采用SEM电镜扫描得出其SEM图像，然后计算得出各个SEM图像的灰度均值、灰度方差、图像能量、图像熵值和分形维数；采用极限学习机神经网络模型对各个SEM图像的五个图像特征参数及其所对应的真实渗透率进行训练学习，确定五个图像特征参数与真实渗透率之间的变化关系；预测时将未知渗透率的多孔介质材料的SEM图像参数输入，极限学习机神经网络模型即可预测出该多孔介质材料的渗透率。

上述基于机器图像智能学习的多孔介质渗透率预测方法中，采用SEM二维图像表征多孔介质，但是多孔介质的表面二维图像并不能全面反映多孔介质的性质，所以通过这种二维表征方法预测多孔介质的渗透率具有一定的片面性，不够准确。

发明内容

为克服相关技术中存在的问题，本申请提供一种多孔介质渗透率预测方法，该多孔介质渗透率预测方法，能够准确地预测多孔介质的渗透率。

本申请第一方面提供一种多孔介质渗透率预测方法，包括：

获取多孔介质的N个孔隙结构参数，该N个孔隙结构参数能够表征该多孔介质，该N为大于1的整数；

将该N个孔隙结构参数输入径向基函数RBF神经网络模型，该RBF神经网络模型为一种对局部逼近的神经网络模型；

输出得到该多孔介质的渗透率。

在第一方面的第一种可能实现的方法中，该N个孔隙结构参数为14个孔隙结构参数；

该14个孔隙结构参数包括：孔隙度、最大孔隙半径、平均孔隙半径、最大吼道半径、平均吼道长度、最大孔喉比、平均孔喉比、最大孔隙体积、平均孔隙体积、最大吼道体积、平均吼道体积、最大配位数、平均配位数和配位数。

在第一方面的第二种可能实现的方法中，该获取多孔介质的N个孔隙结构参数之前，还包括：

获取K套训练样本，该训练样本包括：具有N个维度的孔隙结构向量和该多孔介质的渗透率，该K为大于1的整数；

用该K套训练样本训练建立该RBF神经网络模型，该RBF神经网络模型包括：输入层、隐藏层和输出层。

结合第一方面的第二种可能实现的方法，在第三种可能实现的方法中，该获取K套训练样本包括：

利用x-ray三维成像检测K种该多孔介质，获得对应的三维图像；

利用AVIZO对该三维图像进行分割，得到分割后的三维图像；

利用porespy开源软件对该分割后的三维图像进行提取，得到该多孔介质的N个孔隙结构参数；

获取该N个孔隙结构参数对应的该多孔介质的渗透率。

结合第一方面的第二种可能实现的方法，在第四种可能实现的方法中，该用该K套训练样本训练建立该径向基函数神经网络模型包括：

将该K套训练样本输入该输入层；

利用K-means聚类求解该隐藏层中径向基函数的中心矢量和基宽度参数，该径向基函数为高斯核函数；

利用迭代算法求解该隐藏层到该输出层之间的权重。

结合第一方面的第四种可能实现的方法，在第五种可能实现的方法中，该高斯核函数的表达式如下：

其中，x为孔隙结构参数，φ

结合第一方面的第四种可能实现的方法，在第六种可能实现的方法中，该利用迭代算法求解该隐藏层到该输入层之间的权重之后，还包括：

计算该RBF神经网络模型的损失函数；

利用该损失函数和反向传播梯度下降算法调整模型参数，该模型参数包括：该中心矢量、该权重和该基宽度参数。

在第一方面的第七种可能实现的方法中，该输出得到该多孔介质的渗透率包括：输出得到该多孔介质的渗透率和该N个孔隙结构参数中每个孔隙结构参数对该渗透率的影响比重。

在第一方面的第八种可能实现的方法中，该输出得到该多孔介质的渗透率包括：

输出得到该多孔介质的渗透率的表达式如下：

其中：F(x)为多孔介质的渗透率，p为中心矢量的个数，w

结合第一方面的第六种可能实现的方法，在第九种可能实现的方法中，该损失函数的表达式如下：

其中：Loss为损失函数，m为样本数，e为预测渗透率与实际渗透率之间的差值，y

结合第一方面的第六种可能实现的方法，在第十种可能实现的方法中，该利用该损失函数和反向传播梯度下降算法调整模型参数所用到的迭代公式如下：

其中：c为中心矢量，σ为基宽度参数，w为RBF神经网络模型中隐藏层到输出层的权重，α为RBF神经网络模型的学习率，

本申请第二方面提供一种电子设备，包括：

处理器：以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

本申请第三方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。

本申请提供的技术方案可以包括以下有益效果：

本技术方案通过获取多孔介质的N个孔隙结构参数，所述N个孔隙结构参数能够表征所述多孔介质，所述N为大于1的整数；将所述N个孔隙结构参数输入径向基函数RBF神经网络模型；输出得到所述多孔介质的渗透率。本技术方案通过将多个可以表征多孔介质的孔隙结构参数输入RBF神经网络模型，得到多孔介质的渗透率，因为多个孔隙结构参数能够可以实现三维地表征多孔介质，所以用多个孔隙结构参数准确地预测渗透率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。

图1是本申请实施例示出的多孔介质渗透率预测方法的流程示意图；

图2是本申请实施例示出的多孔介质渗透率预测方法的另一流程示意图；

图3是本申请实施例示出的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

现有的基于机器图像智能学习的多孔介质渗透率预测方法中，采用SEM二维图像表征多孔介质，但是多孔介质的表面二维图像并不能全面反应多孔介质的性质，所以通过这种二维表征方法预测多孔介质的渗透率具有一定的片面性，不够准确。

针对上述问题，本申请实施例提供一种多孔介质渗透率预测方法，能够准确地预测多孔介质的渗透率。

以下结合附图详细描述本申请实施例的技术方案。

图1是本申请实施例示出的多孔介质渗透率预测方法的流程示意图。

参见图1，本申请实施例示出的多孔介质渗透率预测方法的一个实施例包括：

101.获取多孔介质的N个孔隙结构参数，所述N个孔隙结构参数能够表征所述多孔介质，所述N为大于1的整数；

多孔介质是由多相物质所占据的共同空间，也是多相物质共存的一种组合体，没有固体骨架的那部分空间叫做孔隙，由液体或气体或气液两相共同占有，相对于其中一相来说，其他相都弥散在其中，并以固相为固体骨架，构成空隙空间的某些空洞相互连通。由固体物质组成的骨架和由骨架分隔成大量密集成群的微小空隙所构成的物质。多孔介质内的流体以渗流方式运动,研究渗流力学涉及的多孔介质的物理-力学性质的理论就成为渗流力学的基本组成部分。多孔介质的主要物理特征是空隙尺寸及其微小，比表面积数值很大。多孔介质内的微小空隙可能互相连通，也可能是部分连通、部分不连通的。

孔隙结构是指多孔介质内的孔隙和喉道类型、大小、分布及其相互连通关系。多孔介质的孔隙系统由孔隙和喉道两部分组成。孔隙为系统中的膨大部分，连通孔隙的细小部分称为喉道。孔隙是流体赋存于多孔介质中的基本储集空间，而喉道则是控制流体在岩石中渗流的重要通道。

孔隙结构参数主要是孔隙的相关尺寸和喉道的相关尺寸。

本申请实施例中，获取多个能全面表征多孔介质的孔隙结构参数。

102.将所述N个孔隙结构参数输入径向基函数RBF神经网络模型；

径向基函数(RBF，Radial Basis Function)神经网络，是一种对局部逼近的神经网络。是由J.Moody和C.Darken于20世纪80年代末提出的一种神经网络，径向基函数方法在某种程度上利用了多维空间中传统的严格插值法的研究成果。在神经网络的背景下，隐藏单元提供一个“函数”集，该函数集在输入模式向量扩展至隐层空间时为其构建了一个任意的“基”；这个函数集中的函数就被称为径向基函数。径向基函数首先是在实多变量插值问题的解中引入的。径向基函数是目前数值分析研究中的一个主要领域之一。最基本的径向基函数(RBF)神经网络的构成包括三层，其中每一层都有着完全不同的作用。输入层由一些感知单元组成，它们将网络与外界环境连接起来；第二层是网络中仅有的一个隐层，它的作用是从输入空间到隐层空间之间进行非线性变换，在大多数情况下，隐层空间有较高的维数；输出层是线性的，它为作用于输入层的激活模式提供响应。基本的径向基函数RBF网络是具有单稳层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接受域(或称感受域，Receptive Field)的神经网络结构，因此，RBF网络是一种局部逼近网络，现已证明它能以任意精度逼近任一连续函数。RBF神经网络是一种三层前向网络，通过输入层空间到隐含层空间的非线性变换以及隐含层空间到输出层空间的线性变换，实现输入层空间到输出层空间的映射。这两个层间变换参数的学习可以分别进行，使得RBF神经网络的学习速度较快且可避免局部极小问题。RBF(Radial Basis Function，径向基函数)是某种沿径向对称的标量函数，通常定义为空间中一点到某一中心之间欧氏距离的单调函数，最常用的径向基函数是高斯函数。

本申请实施例中将步骤101中所获取到的多个孔隙结构参数输入到RBF神经网络模型，这里所用到的RBF神经网络模型是通过用大量数据格式为(多个孔隙结构参数，渗透率)的样本训练得到的。训练好的RBF神经网络模型的输入是多个多孔介质的孔隙结构参数，输出是多孔介质的渗透率。

103.输出得到所述多孔介质的渗透率；

渗透率是指在一定压差下，多孔介质允许流体通过的能力，是表征多孔介质流体传导特性的重要参数。

本申请实施例中，由步骤102中已训练好的RBF神经网络模型输出得到与所输入孔隙结构参数对应的多孔介质的渗透率。

本技术方案通过获取多孔介质的N个孔隙结构参数，所述N个孔隙结构参数能够表征所述多孔介质，所述N为大于1的整数；将所述N个孔隙结构参数输入径向基函数RBF神经网络模型；输出得到所述多孔介质的渗透率。本技术方案通过将多个可以表征多孔介质的孔隙结构参数输入RBF神经网络模型，得到多孔介质的渗透率，因为多个孔隙结构参数能够可以实现三维地表征多孔介质，所以用多个孔隙结构参数准确地预测渗透率。

为了便于理解，以下提供了多孔介质渗透率预测方法的一个应用实施例进行说明，请参阅图2，本申请实施例中多孔介质渗透率预测方法的一个实施例包括：

在本申请实施例中将示出本技术方案中用来预测多孔介质渗透率的RBF神经网络模型的训练过程。

201.获取K套训练样本，所述训练样本包括：具有N个维度的孔隙结构向量和所述多孔介质的渗透率，所述K为大于1的整数；

具有N个维度的孔隙结构向量为具有14个维度的孔隙结构向量具体表达为

通过孔隙尺度数值模拟方法如有限体积法，格子玻尔兹曼等获得与上述所获得的14个孔隙结构参数所对应多孔介质的渗透率。

最后得到数据格式为(

202.将所述K套训练样本输入所述输入层；

在本申请实施例中，将步骤201中所得到的多套训练样本输入到RBF神经网络模型的输入层。

203.利用K-means聚类求解所述隐藏层中径向基函数的中心矢量和基宽度参数，所述径向基函数为高斯核函数；

聚类是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。

k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

径向基函数是一个取值仅仅依赖于离原点距离的实值函数，也就是Φ(x)＝Φ(||x||),或者还可以是到任意一点c的距离，c点称为中心点，也就是Φ(x，c)＝Φ(||x-c||)。任意一个满足Φ(x)＝Φ(||x||)特性的函数Φ都叫做径向基函数，标准的一般使用欧氏距离(也叫做欧式径向基函数)，尽管其他距离函数也是可以的。在神经网络结构中，可以作为全连接层和ReLU层的主要函数。

所谓径向基函数(Radial Basis Function简称RBF),就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数,可记作k(||x-xc||),其作用往往是局部的,即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数,形式为k(||x-xc||)＝exp{-||x-xc||^2/(2*σ^2)}其中xc为核函数中心,σ为函数的宽度参数,控制了函数的径向作用范围。

本申请实施例中：径向基向量

其中，

通过K-means聚类确定RBF神经网络模型的中心矢量和基宽度参数的过程如下：

一：设k为网络迭代次数，第k次迭代时聚类中心设为c

二：计算选取的样本输入与聚类中心的距离||X

三：对训练样本X

四：重新计算各类新的聚类中心，其计算公式为：

五：如果c

六：根据各聚类中心之间的距离确定基宽向量和各隐藏层各节点输出量。基宽度参数的方程公式为：

其中：σ

204.利用迭代算法求解所述隐藏层到所述输出层之间的权重；

迭代算法是用计算机处理问题的一种基本方法。它利用计算机运算速度快、适合做重复性操做的特点，让计算机对一组指令或一定步骤进行重复执行，在每次执行这组指令或这些步骤时，都从变量的原值推出它的一个新值。

本申请实施例中，通过初始化权重-计算损失函数-对所有权重求导-更新权重-计算损失函数-直至达到设定精度为止，从而确定隐藏层到输出层之间的权重。

计算所述RBF神经网络模型的损失函数的公式如下：

其中：Loss为损失函数，m为样本数，e为预测渗透率与实际渗透率之间的差值，y

权重的迭代公式如下：

w为RBF神经网络模型中隐藏层到输出层的权重，α为RBF神经网络模型的学习率，

205.利用损失函数和反向传播梯度下降算法调整模型参数；

所述模型参数包括：所述中心矢量和所述基宽度参数；

梯度下降算法是迭代法的一种，可以用于求解最小二乘问题(线性和非线性都可以)。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降(GradientDescent)是最常采用的方法之一，另一种常用的方法是最小二乘法。在求解损失函数的最小值时，可以通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。反过来，如果我们需要求解损失函数的最大值，这时就需要用梯度上升法来迭代了。在机器学习中，基于基本的梯度下降法发展了两种梯度下降方法，分别为随机梯度下降法和批量梯度下降法。

损失函数(losS function)或代价函数(cost function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计(parametric estimation)，在宏观经济学中被用于风险管理(risk mangement)和决策，在控制理论中被应用于最优控制理论(optimal control theory)。

本申请实施例中，损失函数的计算公式如下：

其中：Loss为损失函数，m为样本数，e为预测渗透率与实际渗透率之间的差值，y

中心矢量的迭代公式如下：

基宽度参数的迭代公式如下：

其中：c为中心矢量，σ为基宽度参数，α为RBF神经网络模型的学习率，

206.获取多孔介质的N个孔隙结构参数，所述N个孔隙结构参数能够表征所述多孔介质，所述N为大于1的整数；

本申请实施例中，N为14，14个孔隙结构参数包括：孔隙度、最大孔隙半径、平均孔隙半径、最大吼道半径、平均吼道长度、最大孔喉比、平均孔喉比、最大孔隙体积、平均孔隙体积、最大吼道体积、平均吼道体积、最大配位数、平均配位数和配位数。

获取的步骤包括：利用x-ray三维成像检测K种所述多孔介质，获得对应的三维图像；利用AVIZO对所述三维图像进行分割，得到分割后的三维图像；利用porespy开源软件对所述分割后的三维图像进行提取，得到所述多孔介质的14个孔隙结构参数

207.将所述N个孔隙结构参数输入径向基函数RBF神经网络模型；

在本申请实施例中，步骤207的具体内容与上述实施例1中的步骤102的内容相似，此处不作赘述。

208.输出得到所述多孔介质的渗透率；

输出得到多孔介质的渗透率的表达式如下：

其中：F(x)为多孔介质的渗透率，p为中心矢量的个数，w

在本申请实施例中，除了输出得到多孔介质的渗透率，还得到多孔介质的14个孔隙结构参数中每个孔隙结构参数对多孔介质渗透率的影响比重，从而用于指导多孔介质材料孔隙结构的设计。

本申请实施例，通过获取K套训练样本，将所述K套训练样本输入所述输入层；利用K-means聚类求解所述隐藏层中径向基函数的中心矢量和基宽度参数；利用迭代算法求解所述隐藏层到所述输出层之间的权重；利用所述损失函数和反向传播梯度下降算法调整模型参数；获取多孔介质的N个孔隙结构参数；将所述N个孔隙结构参数输入径向基函数RBF神经网络模型；输出得到所述多孔介质的渗透率。本方案通过用具有14类孔隙结构参数的训练样本训练RBF神经网络模型确保预测模型的准确率再通过梯度下降算法提高预测模型的准确率，从而保证预测得到的多孔介质的渗透率的准确性。

与前述应用功能实现方法实施例相对应，本申请还提供了一种基于径向基函数神经网络模型的多孔介质渗透率预测电子设备及相应的实施例。

图3是本申请实施例示出的电子设备的结构示意图。

参见图3，电子设备301包括存储器302和处理器303。

处理器303可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器302可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器303或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器302可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器302可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器302上存储有可执行代码，当可执行代码被处理器303处理时，可以使处理器303执行上文述及的方法中的部分或全部。

上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。

此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。

或者，本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时，使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。

本领域技术人员还将明白的是，结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。